Cam Elyaf Üretiminde Sentetik Veri Destekli Derin Öğrenme Tabanlı Kalite Kontrol: Otonom Bir Karar Destek Sistemi Yaklaşımı
Yönetim Bilişim Sistemleri Dergisi, cilt.12, sa.1, ss.50-63, 2026 (Hakemli Dergi)
- Yayın Türü: Makale / Tam Makale
- Cilt numarası: 12 Sayı: 1
- Basım Tarihi: 2026
- Dergi Adı: Yönetim Bilişim Sistemleri Dergisi
- Derginin Tarandığı İndeksler: Sobiad Atıf Dizini
- Sayfa Sayıları: ss.50-63
- Açık Arşiv Koleksiyonu: AVESİS Açık Erişim Koleksiyonu
- Marmara Üniversitesi Adresli: Evet
Özet
Bu çalışma, Endüstri 4.0 ve Kalite 4.0 paradigmaları kapsamında, cam elyaf üretimindeki kalite kontrol süreçlerini otomatize eden derin öğrenme tabanlı Cam Elyaf Kalite Otomasyon Sistemi (CEKOS) adlı bir karar destek sistemi prototipini sunmaktadır. Geleneksel manuel kontrol yöntemlerinin getirdiği iş yükünü ve insan hatası riskini minimize etmek hedeflenmiştir. Sistem, düşük maliyetli otomasyon yaklaşımıyla uyumlu olarak Raspberry Pi 4 tabanlı gömülü bir mimari üzerinde geliştirilmiştir. Veri kıtlığı sorununu aşmak için, gerçek hasarlı ürün verisinin yerine üretilen sentetik görüntülerden yararlanılmış ve model eğitimi transfer öğrenme ile optimize edilmiş VGG16 mimarisi üzerinde gerçekleştirilmiştir. CEKOS modeli, testlerde %89,08 genel doğruluk oranına ulaşmıştır. Yönetim Bilişim Sistemleri açısından en önemli katkı, sistemin tespit ettiği güncel hasar sınıflandırma verilerini, kurumsal kaynak planlama sistemlerine entegre edilebilir bir kalite skoru olarak API aracılığıyla sunmasıdır. Geliştirilen sistem, işletme yöneticilerine eyleme dönüştürülebilir içgörüler sağlayan, reaktif değil proaktif bir karar destek mekanizması sunarak süreç iyileştirmeyi ve veriye dayalı karar verme süreçlerini desteklemektedir.
This study presents a deep learning-based decision support system prototype, named Glass Fiber Quality Automation System (CEKOS) designed to automate quality control processes within the paradigms of Industry 4.0 and Quality 4.0, specifically in glass fiber production. The primary objective is to minimize the labor intensity and human error risk associated with traditional manual inspection methods. The system was developed on an embedded architecture utilizing a Raspberry Pi 4, aligning with a low-cost automation approach. To overcome the challenge of data scarcity, the model was trained using synthetic images generated to replace real damaged product data. Model optimization was achieved via transfer learning on an optimized VGG16 architecture. The CEKOS model attained an overall test accuracy of 89.08%. From a Management Information Systems perspective, the most significant contribution lies in the system's ability to provide current detected defect classification data as an enterprise resource planning integrable quality score through an API interface. This feature equips business managers with actionable insights, establishing a proactive, rather than reactive, decision support mechanism that drives process improvement and supports data-driven decision-making.